Fluid
  • 首页
  • 归档
  • 分类
  • 标签
  • 关于

RNN的BPTT

RNN采用的梯度更新策略是BPTT,梯度分为两部分: 竖直方向的输出层权重:这个和传统反向传播没什么区别,因为这一层的权重只与当前loss有关 竖直方向的输入层和水平权重:这个就稍微复杂点,因为rnn的总loss是所有时刻loss相加的,同时每个时刻的loss又会影响到这里所说的所有权重,所以操作是: 计算某个时刻Et的误差项,通过反向传播来计算,最后计算梯度。 汇总所有的时刻计算的梯度。
2021-01-08
深度学习

关于线程/进程的理解

最近对线程有了一些的新的理解,再整理一下知识点: 线程的执行单位是core,一个cpu可以有多个core,所以为啥现在计算就主打多核cpu.. 但实际上即使是一个core,也可以实现并发,因为线程之间可以随时切换,因为有thread context这个信息,下面会提。 我们实现一个服务/进程,有多时候都会用多线程来并发处理,那么来看下线程的共享资源单位: 代码区:毫无疑问,就是二进制的代码文件
2020-12-16
大数据 > Spark
#并发

后端技术栈

微服务一种将整个后端服务,按照领域、模块分解为若干独立小应用的一种架构方式。微服务有如下特点 服务可以单独编写、发布、测试、部署,相比于所有功能集中于一体的单体服务,可维护性更强 服务彼此之间依赖服务通信的方式松耦合 按照业务领域来组织服务,每个团队维护各自的服务 引申出了RPC框架,比较有代表性的: Thrift - Facebook Dubbo - 阿里 Spring Cloud 为了
2020-11-10
编程开发

Databus学习笔记

Databus是一个低延迟、可靠的、支持事务的、保持一致性的数据变更抓取系统。 这块我也只是大概了解了一下,本质上想要解决的问题是:如果有一个mysql存储和一个redis缓存,mysql的变更要同步到redis里,为了保持数据的一致性,中间就加了一个databus。 图片解释: 变为: ​
2020-11-10
大数据 > Databus

hdfs文件理解

HDFS是一个分布式的文件系统,利用集群来存储海量数据。hdfs路径是一个虚拟节点,下面的多个文件可能放在多台机器上,具体放在哪台机器等信息由name node节点维护。
2020-11-10
大数据 > Hive

Flink学习笔记

基本概念Flink是一个分布式的流式数据处理框架,目前很多公司都开始用flink来处理流式任务(对,说的就是我司)。在Flink之前,其实我们已经有spark streaming和storm来处理流式任务,为何还要flink?下面就说吞吐量和时延上说下flink的优势,主要讲一下基本原理和容错机制。 流框架 Naive streaming: storm和flink都是naive streaming
2020-11-10
大数据 > Flink

Spark学习笔记

基本概念Kafka是一个分布式的发布-订阅消息传递系统,其实本质就是一个分布式的日志系统,是实时任务依赖的主流数据源。注意,数据本身同样是存储在hdfs上的。 原理 1、话题(Topic):是特定类型的消息流。消息是字节的有效负载(Payload),话题是消息的分类名或种子(Feed)名; 2、生产者(Producer):是能够发布消息到话题的任何对象; 3、服务代理(Broker):一个brok
2020-11-10
大数据 > Kafka

NAS系列文章解读

NAS最近几年是AutoML领域比较火热的方向,主要是神经网络结构的自动搜索。最近看了几篇NAS文章,下面按照发展历史做个总结。 参考博客: 炼丹术的终结 你想要的神经网络自动设计,谷歌大脑帮你实现了:用参数共享高效地搜索神经网络架构(ENAS)) 一、NAS的提出文献:《NEURAL ARCHITECTURE SEARCH WITH REINFORCEMENT LEARNING》 本质上就是
2020-11-02
深度学习
#AutoML

最近在看NAS(neural architecture search)的论文,里面讲到了强化学习的policy network,然后我就研究了下这个东西,发现是个蛮有意思的概念,确实和nas有共同之处。有意思的点主要其实是在loss function的设计上,下面详细讲下我的理解。 正常来讲,我们做一个Neural Network来解决Classification or Regression ta
2020-10-30
深度学习

Tensorflow一些常用方法记录

tf.stacktf.stack(values, axis=0, name=”stack”): 12345x = tf.constant([1, 4])y = tf.constant([2, 5])z = tf.constant([3, 6])tf.stack([x, y, z]) # [[1, 4], [2, 5], [3, 6]] (Pack along first dim.)tf.stac
2020-10-28
ML框架
#Tensorflow
12345…11

搜索

Hexo Fluid